Il y a un certain nombre d'avantages à utiliser un modèle de réseau de neurones, notamment le fait que le réseau est adaptable à un large éventail de paramètres et d'exigences en matière de données, ainsi que le fait qu'ils sont faciles à utiliser, nécessitant des statistiques minimales formation. De plus, les réseaux de neurones ont la capacité d'apprendre (dans un sens limité), ce qui en fait le modèle le plus proche disponible pour un opérateur humain.
Les réseaux de neurones sont suffisamment avancés pour détecter également toute relation complexe entre les entrées et les sorties, ce qui est un autre avantage lors de l'utilisation de ce modèle.
Bien sûr, les réseaux de neurones ne sont pas sans inconvénients. En raison de la nature compliquée et avancée du modèle, ils sont très difficiles à concevoir, par exemple.
Bien que l'adaptabilité et la sensibilité d'un réseau de neurones soient très certainement un avantage, cela pose également des problèmes. Étant donné qu'un réseau de neurones réagira au moindre changement de données, il peut souvent être très difficile de modéliser analytiquement en conséquence.
L'exécution d'un réseau de neurones nécessite également une énorme quantité de ressources informatiques, ce qui le rend coûteux, et peut-être peu pratique, pour certaines entreprises et applications.
En outre, bien que les réseaux de neurones soient excellents et traitent de grandes quantités de données, cet avantage diminue par rapport à la taille d'un échantillon de données. Les petits échantillons, par exemple, ne seront pas utilisés efficacement car le réseau fonctionne mieux avec de grands échantillons.
